无源数据下半监督域自适应的不确定性引导 Mixup
计算机视觉与模式识别
2023-03-02 v1
摘要
当前的域自适应方法通常通过同时访问源数据与目标数据来显式地进行表示对齐。然而，出于隐私保护或带宽限制的考虑，源数据并不总是可用的。无源域自适应旨在不访问源数据的情况下进行域自适应以解决上述问题。该自适应范式近年来受到越来越多的关注，已有多种面向无监督无源域自适应的工作被提出。然而，在自适应阶段不利用任何监督信号与源数据的情况下，目标模型的优化是不稳定且脆弱的。为缓解该问题，我们聚焦于无源设定下的半监督域自适应。更具体地，我们提出不确定性引导的 Mixup，以在不直接访问源数据的情况下减小表示的域内差异并进行域间对齐。最后，我们在多个数据集上进行了广泛的半监督域自适应实验。我们的方法优于近期的半监督基线，其无监督变体也取得了具有竞争力的性能。实验代码将于未来发布。
引用
@article{arxiv.2107.06707,
title = {Uncertainty-Guided Mixup for Semi-Supervised Domain Adaptation without Source Data},
author = {Ning Ma and Jiajun Bu and Zhen Zhang and Sheng Zhou},
journal= {arXiv preprint arXiv:2107.06707},
year = {2023}
}